Υβριδικοί αλγόριθμοι διαφορικής εξέλιξης στο πρόβλημα προγραμματισμός συστημάτων παραγωγής συνεχούς ροής

Transcript

1 ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ Υβριδικοί αλγόριθμοι διαφορικής εξέλιξης στο πρόβλημα προγραμματισμός συστημάτων παραγωγής συνεχούς ροής Εφαρμογή με πραγματικά δεδομένα εταιρίας με ευέλικτο σύστημα παραγωγής συνεχούς ροής Διπλωματική Εργασία ΩΡΑΙΟΖΗΛΗ ΔΕΠΟΥΝΤΗ ΕΠΙΒΛΕΠΩΝ: ΙΩΑΝΝΗΣ ΜΑΡΙΝΑΚΗΣ ΟΚΤΩΒΡΙΟΣ 2012 ΧΑΝΙΑ

2 ΠΕΡΙΛΗΨΗ Η παρούσα διπλωματική εργασία πραγματεύεται τον προγραμματισμό συστημάτων και ευέλικτων συστημάτων παραγωγής συνεχούς ροής με χρήση υβριδικών αλγορίθμων Διαφορικής Εξέλιξης (ΔΕ). Αρχικά αποσαφηνίζονται βασικές έννοιες που αφορούν τους Μεθευρετικούς Αλγορίθμους καθώς και τον προγραμματισμό συστημάτων παραγωγής συνεχούς ροής. Το θεωρητικό υπόβαθρο ακολουθεί μία σύντομη βιβλιογραφική ανασκόπηση αφού πρώτα έχουν αναλυθεί οι αλγόριθμοι που χρησιμοποιούνται στην εργασία. Έπειτα, εφαρμόζονται ο αλγόριθμος της ΔΕ με διάφορες παραλλαγές και υβριδικοί αλγόριθμοι ΔΕ σε δεδομένα τα οποία έχουν αντληθεί από τη βιβλιογραφία και συγκρίνονται τα αποτελέσματά τους. Στη συνέχεια περιγράφεται και μοντελοποιείται το σύστημα παραγωγής μίας εταιρίας καλλυντικών ως ευέλικτο σύστημα παραγωγής συνεχούς ροής με διαφορετικούς περιορισμούς σε κάθε στάδιο και ακολουθεί η πρακτική εφαρμογή των αλγορίθμων σε πραγματικά δεδομένα τα οποία έχουν συλλεχθεί από την εταιρία. Τέλος παρουσιάζονται τα συμπεράσματα όπως προέκυψαν από την εργασία και ακολουθεί ο σχολιασμός αυτών. ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ Μεθευρετικοί Αλγόριθμοι, Υβριδικοί Αλγόριθμοι, Αλγόριθμος Διαφορικής Εξέλιξης, Χρονικός Προγραμματισμός Εργασιών, Βελτιστοποίηση Παραγωγής, Σύστημα Παραγωγής Συνεχούς Ροής

3 TECHNICAL UNIVERSITY OF CRETE DEPARTMENT OF PRODUCTION ENGINEERING AND MANAGEMENT Hybrid differential evolution algorithms for the flow-shop scheduling problem A real life application for a flexible flow-shop scheduling problem Diploma Thesis ORAIOZILI DEPOUNTI SUPERVISOR: IOANNIS MARINAKIS OCTOBER 2012 CHANIA

4 ABSTRACT The present diploma thesis deals with the scheduling of flow-shop and flexible flow-shop using hybrid differential evolution (DE) algorithms. First some basic concepts about metaheuristics and flow-shops are clarified and then the algorithms which are implemented in the current work are explained. The theoretical background follows a brief literature review on flow-shop and flexible flow-shop scheduling using metaheuristics. Furthermore different versions of DE algorithm and hybrid DE algorithms are applied for literature data and the comparison of their results is presented. Thereafter the production system of a cosmetics production company is described as flexible flow-shop with different constraints in each stage and an application of collected data is carried out. Finally the conclusions from the whole work are presented followed by an overall discussion. KEY WORDS Metaheuristics, Hybrid Algorithms, Differential Evolution Algorithm, Production Optimization, Flowshop Scheduling, Flexible Flowshop Scheduling

5 ΠΕΡΙΕΧΟΜΕΝΑ ΕΙΣΑΓΩΓΗ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΡΟΒΛΗΜΑΤΑ ΧΡΟΝΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΣΥΣΤΗΜΑΤΩΝ ΠΑΡΑΓΩΓΗΣ ΣΥΣΤΗΜΑ ΠΑΡΑΓΩΓΗΣ ΣΥΝΕΧΟΥΣ ΡΟΗΣ ΕΥΕΛΙΚΤΟ ΣΥΣΤΗΜΑ ΠΑΡΑΓΩΓΗΣ ΣΥΝΕΧΟΥΣ ΡΟΗΣ ΕΥΡΕΤΙΚΟΙ - ΜΕΘΕΥΡΕΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΑΛΓΟΡΙΘΜΟΣ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ ΑΛΓΟΡΙΘΜΟΙ ΤΟΠΙΚΗΣ ΑΝΑΖΗΤΗΣΗΣ ΑΛΓΟΡΙΘΜΟΣ ΠΡΟΣΟΜΟΙΩΜΕΝΗΣ ΑΝΟΠΤΗΣΗΣ ΑΛΓΟΡΙΘΜΟΣ ΕΠΑΝΑΛΗΠΤΙΚΗΣ ΤΟΠΙΚΗΣ ΑΝΑΖΗΤΗΣΗΣ ΑΛΓΟΡΙΘΜΟΣ ΜΕΤΑΒΛΗΤΗΣ ΓΕΙΤΟΝΙΑΣ ΑΝΑΖΗΤΗΣΗΣ ΣΥΝΤΟΜΗ ΒΙΒΛΙΟΓΡΑΦΙΚΗ ΑΝΑΣΚΟΠΗΣΗ ΕΦΑΡΜΟΓΗ ΣΕ ΒΙΒΛΙΟΓΡΑΦΙΚΑ ΔΕΔΟΜΕΝΑ ΕΦΑΡΜΟΓΗ ΑΛΓΟΡΙΘΜΟΥ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ ΑΡΧΙΚΟΠΟΙΗΣΗ ΠΛΗΘΥΣΜΟΥ ΑΞΙΟΛΟΓΗΣΗ ΑΝΤΙΚΕΙΜΕΝΙΚΗΣ ΣΥΝΑΡΤΗΣΗΣ ΜΕΤΑΛΛΑΞΗ, ΔΙΑΣΤΑΥΡΩΣΗ, ΕΠΙΛΟΓΗ ΜΕΤΑΤΡΟΠΗ ΣΥΝΕΧΩΝ ΤΙΜΩΝ ΣΕ ΔΙΑΚΡΙΤΕΣ ΚΑΙ ΤΟ ΑΝΤΙΣΤΡΟΦΟ ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ ΚΑΙ ΣΤΡΑΤΗΓΙΚΗΣ ΑΠΟΤΕΛΕΣΜΑΤΑ ΑΛΓΟΡΙΘΜΟΥ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ ΑΛΓΟΡΙΘΜΟΣ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ ΜΕ ΤΟΠΙΚΗ ΑΝΑΖΗΤΗΣΗ ΣΥΓΚΡΙΣΗ ΜΕΤΑΣΧΗΜΑΤΙΣΜΩΝ ΤΟΠΙΚΗΣ ΑΝΑΖΗΤΗΣΗΣ Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 5

6 ΑΠΟΤΕΛΕΣΜΑΤΑ ΑΛΓΟΡΙΘΜΟΥ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ ΜΕ ΤΟΠΙΚΗ ΑΝΑΖΗΤΗΣΗ ΠΕΡΑΙΤΕΡΩ ΔΙΕΡΕΥΝΗΣΗ ΥΒΡΙΔΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ ΑΛΓΟΡΙΘΜΟΣ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ ΜΕ ΠΡΟΣΟΜΟΙΩΜΕΝΗ ΑΝΟΠΤΗΣΗ ΑΛΓΟΡΙΘΜΟΣ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ ΜΕ ΕΠΑΝΑΛΗΠΤΙΚΗ ΤΟΠΙΚΗ ΑΝΑΖΗΤΗΣΗ ΑΛΓΟΡΙΘΜΟΣ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ ΜΕ ΑΛΛΑΓΗ ΓΕΙΤΟΝΙΑΣ ΑΝΑΖΗΤΗΣΗΣ ΣΥΓΚΡΙΤΙΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΑΛΓΟΡΙΘΜΩΝ ΕΦΑΡΜΟΓΗ ΣΕ ΠΡΑΓΜΑΤΙΚΑ ΔΕΔΟΜΕΝΑ ΥΠΟΔΟΜΗ ΤΗΣ ΠΡΟΣ ΜΕΛΕΤΗ ΕΤΑΙΡΙΑΣ ΔΙΑΔΙΚΑΣΙΑ ΠΑΡΑΓΩΓΗΣ ΠΕΡΙΓΡΑΦΗ ΠΡΟΒΛΗΜΑΤΟΣ ΚΑΙ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΣΤΑΔΙΟ ΠΑΡΑΓΩΓΗΣ BULK ΣΤΑΔΙΟ ΜΙΚΡΟΒΙΟΛΟΓΙΚΟΥ ΕΛΕΓΧΟΥ ΣΤΑΔΙΟ ΣΥΣΚΕΥΑΣΙΑΣ ΔΕΔΟΜΕΝΑ ΖΗΤΟΥΜΕΝΟ ΚΑΙ ΚΡΙΤΗΡΙΟ ΠΡΟΣ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΕΦΑΡΜΟΓΗ ΑΛΓΟΡΙΘΜΩΝ ΣΥΓΚΡΙΤΙΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΑΙ ΣΧΟΛΙΑΣΜΟΣ ΑΝΑΦΟΡΕΣ ΠΑΡΑΡΤΗΜΑ Ι ΠΑΡΑΡΤΗΜΑ ΙI ΠΑΡΑΡΤΗΜΑ ΙΙΙ Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 6

7 ΠΑΡΑΡΤΗΜΑ ΙV ΚΑΤΑΛΟΓΟΣ ΠΙΝΑΚΩΝ ΠΙΝΑΚΑΣ 1. ΚΡΙΤΗΡΙΑ ΧΡΟΝΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΣΕ ΣΥΣΤΗΜΑΤΑ ΠΑΡΑΓΩΓΗΣ ΠΙΝΑΚΑΣ 2. ΧΡΟΝΟΙ ΕΠΕΞΕΡΓΑΣΙΑΣ ΓΙΑ FSSP ΤΕΣΣΑΡΩΝ ΜΗΧΑΝΩΝ ΚΑΙ ΤΕΣΣΑΡΩΝ ΕΡΓΑΣΙΩΝ ΠΙΝΑΚΑΣ 3. ΣΤΡΑΤΗΓΙΚΕΣ ΑΛΓΟΡΙΘΜΟΥ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ ΠΙΝΑΚΑΣ 4. ΕΠΙΛΟΓΗ ΠΑΡΑΜΕΤΡΩΝ ΤΟΥ DE ΓΙΑ ΤΟ FSSP ΣΤΗ ΒΙΒΛΙΟΓΡΑΦΙΑ ΠΙΝΑΚΑΣ 5. ΣΥΓΚΡΙΣΗ ΤΩΝ ΔΕΚΑ ΣΤΡΑΤΗΓΙΚΩΝ ΤΟΥ DE ΓΙΑ ΤΑ ΠΡΟΒΛΗΜΑΤΑ ΤΟΥ TAILLARD ΠΙΝΑΚΑΣ 6. ΣΥΓΚΡΙΣΗ ΤΩΝ ΔΕΚΑ ΣΤΡΑΤΗΓΙΚΩΝ ΤΟΥ DE ΓΙΑ ΠΡΟΒΛΗΜΑΤΑ ΤΟΥ TAILLARD ΜΕ ΠΑΡΑΜΕΤΡΟΥΣ F = 0.3, CR = 0.9, NP = 150, GMAX = ΠΙΝΑΚΑΣ 7. ΣΥΝΔΥΑΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ ΓΙΑ ΚΑΘΕ ΣΤΡΑΤΗΓΙΚΗ ΣΕ ΠΡΟΒΛΗΜΑΤΑ 20X ΠΙΝΑΚΑΣ 8. ΣΥΝΔΥΑΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ ΓΙΑ ΚΑΘΕ ΣΤΡΑΤΗΓΙΚΗ ΣΕ ΠΡΟΒΛΗΜΑΤΑ 50X ΠΙΝΑΚΑΣ 9. ΣΥΝΔΥΑΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ ΓΙΑ ΚΑΘΕ ΣΤΡΑΤΗΓΙΚΗ ΣΕ ΠΡΟΒΛΗΜΑΤΑ 100X ΠΙΝΑΚΑΣ 10. ΑΠΟΚΛΙΣΗ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΤΗΣ ΕΦΑΡΜΟΓΗΣ ΤΟΥ DE ΜΕ ΤΑ ΑΝΩΤΕΡΑ ΟΡΙΑ ΤΟΥ TAILLARD ΠΙΝΑΚΑΣ 11. ΜΕΣΗ ΤΙΜΗ MAKESPAN ΓΙΑ ΤΡΕΙΣ ΔΙΑΦΟΡΕΤΙΚΟΥΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥΣ LS ΣΕ ΜΙΚΡΑ ΚΑΙ ΜΕΣΑΙΑ ΠΡΟΒΛΗΜΑΤΑ ΤΟΥ TAILLARD ΠΙΝΑΚΑΣ 12. ΑΠΟΚΛΙΣΗ ΤΩΝ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΤΗΣ ΕΦΑΡΜΟΓΗΣ ΤΟΥ DELS ΜΕ ΤΑ ΑΝΩΤΕΡΑ ΟΡΙΑ ΤΟΥ TAILLARD ΠΙΝΑΚΑΣ 13. ΚΑΛΑ ΑΠΟΤΕΛΕΣΜΑΤΑ 5 ΜΗΧΑΝΩΝ ΠΙΝΑΚΑΣ 14. ΒΕΛΤΙΩΣΗ DE ΜΕ ΕΦΑΡΜΟΓΗ LS ΤΕΧΝΙΚΗΣ ΠΙΝΑΚΑΣ 15. ΣΥΓΚΡΙΣΗ ΑΠΟΚΛΙΣΗΣ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΤΩΝ DE, DELS, DESA ΜΕ ΤΑ ΑΝΩΤΕΡΑ ΟΡΙΑ ΤΟΥ TAILLARD ΠΙΝΑΚΑΣ 16. ΑΠΟΤΕΛΕΣΜΑΤΑ ΤΗΣ ΕΦΑΡΜΟΓΗΣ ΤΟΥ DESA ΠΟΥ ΠΡΟΣΕΓΓΙΖΟΥΝ ΤΑ ΑΝΩΤΕΡΑ ΟΡΙΑ ΤΟΥ TAILLARD ΠΙΝΑΚΑΣ 17. ΑΠΟΤΕΛΕΣΜΑΤΑ ΤΗΣ ΕΦΑΡΜΟΓΗΣ ΤΟΥ DEVNS ΠΟΥ ΠΡΟΣΕΓΓΙΖΟΥΝ ΤΑ ΑΝΩΤΕΡΑ ΟΡΙΑ ΤΟΥ TAILLARD ΠΙΝΑΚΑΣ 18. ΑΠΟΤΕΛΕΣΜΑΤΑ ΤΗΣ ΕΦΑΡΜΟΓΗΣ ΤΟΥ DEILS ΠΟΥ ΠΡΟΣΕΓΓΙΖΟΥΝ ΤΑ ΑΝΩΤΕΡΑ ΟΡΙΑ ΤΟΥ TAILLARD ΠΙΝΑΚΑΣ 19. ΜΙΚΡΟΒΙΟΛΟΓΙΚΟΣ ΕΛΕΓΧΟΣ ΓΙΑ ΣΥΓΚΕΚΡΙΜΕΝΟ ΚΡΕΜΩΔΕΣ ΠΡΟΪΟΝ ΠΙΝΑΚΑΣ 20. ΑΠΟΤΕΛΕΣΜΑΤΑ ΤΩΝ ΜΕΤΑΣΧΗΜΑΤΙΣΜΩΝ LS ΤΟΥ DELS ΠΙΝΑΚΑΣ 21. ΣΥΓΚΡΙΤΙΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΥΒΡΙΔΙΚΩΝ ΑΛΓΟΡΙΘΜΩΝ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ ΠΙΝΑΚΑΣ 22. ΤΥΠΙΚΗ ΑΠΟΚΛΙΣΗ ΤΩΝ ΑΛΓΟΡΙΘΜΩΝ DELS ΚΑΙ DEVNS ΚΑΤΑΛΟΓΟΣ ΕΙΚΟΝΩΝ ΕΙΚΟΝΑ 1. ΣΥΝΔΕΣΗ ΜΗΧΑΝΩΝ ΣΕ FLOW-SHOP ΕΙΚΟΝΑ 2. ΔΙΑΓΡΑΜΜΑ GANTT ΓΙΑ FLOW-SHOP - ΣΕΙΡΑ ΕΚΤΕΛΕΣΗΣ ΕΡΓΑΣΙΩΝ: Ε1, Ε2, Ε3, Ε ΕΙΚΟΝΑ 3. ΔΙΑΓΡΑΜΜΑ GANTT ΓΙΑ FLOW-SHOP - ΣΕΙΡΑ ΕΚΤΕΛΕΣΗΣ ΕΡΓΑΣΙΩΝ: Ε3, Ε4, Ε1, Ε Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 7

8 ΕΙΚΟΝΑ 4. FLEXIBLE FLOW-SHOP - ΠΙΘΑΝΕΣ ΜΕΤΑΒΑΣΕΙΣ ΕΙΚΌΝΑ 5. ΔΙΆΓΡΑΜΜΑ GANTT ΓΙΑ FLEXIBLE FLOW-SHOP ΕΙΚΌΝΑ 6. ΧΡΟΝΟΔΙΆΓΡΑΜΜΑ ΕΜΦΆΝΙΣΗΣ ΜΕΘΕΥΡΕΤΙΚΏΝ ΑΛΓΟΡΊΘΜΩΝ ΕΙΚΌΝΑ 7. ΑΛΓΌΡΙΘΜΟΣ ΔΙΑΦΟΡΙΚΉΣ ΕΞΈΛΙΞΗΣ ΕΙΚΌΝΑ 8. ΕΦΑΡΜΟΓΉ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΎ MIRROR ΕΙΚΌΝΑ 9. ΑΛΓΌΡΙΘΜΟΣ ΠΡΟΣΟΜΟΙΩΜΈΝΗΣ ΑΝΌΠΤΗΣΗΣ ΕΙΚΟΝΑ 10. ΑΠΕΙΚΟΝΙΣΗ ΕΠΑΝΑΛΗΠΤΙΚΗΣ ΤΟΠΙΚΗΣ ΑΝΑΖΗΤΗΣΗΣ ΕΙΚΟΝΑ 11. ΑΛΓΟΡΙΘΜΟΣ ΜΕΤΑΒΛΗΤΗΣ ΓΕΙΤΟΝΙΑΣ ΑΝΑΖΗΤΗΣΗΣ ΕΙΚΟΝΑ 12. ΣΥΝΑΡΤΗΣΗ ΑΡΧΙΚΟΠΟΙΗΣΗΣ ΠΛΗΘΥΣΜΟΥ ΕΙΚΟΝΑ 13. ΔΗΜΙΟΥΡΓΙΑ ΠΙΝΑΚΑ ΚΟΣΤΟΥΣ ΓΙΑ ΤΟΝ ΥΠΟΛΟΓΙΣΜΟ ΤΟΥ MAKESPAN ΕΙΚΟΝΑ 14. ΥΠΟΛΟΓΙΣΜΟΣ ΔΟΚΙΜΑΣΤΙΚΟΥ ΔΙΑΝΥΣΜΑΤΟΣ ΓΙΑ ΕΝΑ ΜΕΛΟΣ ΤΟΥ ΠΛΗΘΥΣΜΟΥ ΑΝΑΛΟΓΑ ΜΕ ΤΗ ΣΤΡΑΤΗΓΙΚΗ ΠΟΥ ΘΑ ΕΠΙΛΕΧΘΕΙ ΕΙΚΟΝΑ 15. ΕΠΙΛΟΓΗ ΜΕΛΟΥΣ ΝΕΟΥ ΠΛΗΘΥΣΜΟΥ ΕΙΚΟΝΑ 16. ΣΥΝΑΡΤΗΣΗ ΜΕΤΑΤΡΟΠΗΣ ΣΥΝΕΧΩΝ ΣΕ ΔΙΑΚΡΙΤΕΣ ΤΙΜΕΣ ΕΙΚΟΝΑ 17. ΣΥΝΑΡΤΗΣΗ ΜΕΤΑΤΡΟΠΗΣ ΔΙΑΚΡΙΤΩΝ ΤΙΜΩΝ ΣΕ ΣΥΝΕΧΕΙΣ ΕΙΚΟΝΑ 18. ΜΕΣΗ ΤΙΜΗ MAKESPAN ΓΙΑ ΤΙΣ 10 ΣΤΡΑΤΗΓΙΚΕΣ ΤΩΝ PRICE & STORN ΓΙΑ ΠΑΡΑΜΕΤΡΟΥΣ F = 0.2, CR = 0.7, NP = 2D, GMAX = ΕΙΚΟΝΑ 19. ΜΕΣΗ ΤΙΜΗ MAKESPAN ΓΙΑ ΤΙΣ 10 ΣΤΡΑΤΗΓΙΚΕΣ ΤΟΥ DE ΜΕ ΠΑΡΑΜΕΤΡΟΥΣ: F = 0.2, CR = 0.7, NP = 2D, GMAX = 500 ΣΕ ΠΡΟΒΛΗΜΑΤΑ 20 ΕΡΓΑΣΙΩΝ ΜΕΤΑ ΑΠΟ 10 ΕΠΑΝΑΛΗΨΕΙΣ ΕΙΚΟΝΑ 20. ΜΕΣΗ ΤΙΜΗ MAKESPAN ΓΙΑ ΤΙΣ 10 ΣΤΡΑΤΗΓΚΕΣ ΤΟΥ DE ΜΕ ΠΑΡΑΜΕΤΡΟΥΣ: F = 0.3, CR = 0.9, NP = 150, GMAX = 50 ΣΕ ΠΡΟΒΛΗΜΑΤΑ 20 ΕΡΓΑΣΙΩΝ ΜΕΤΑ ΑΠΟ 10 ΕΠΑΝΑΛΗΨΕΙΣ ΕΙΚΟΝΑ 21. DE ΜΕ ΠΑΡΑΜΕΤΡΟ STOP ΕΙΚΟΝΑ 22. ΣΧΕΣΗ MAKESPAN ΜΕ ΜΕΓΙΣΤΟ ΑΡΙΘΜΟ ΕΠΑΝΑΛΗΨΕΩΝ ΣΤΟ ΠΡΟΒΛΗΜΑ TAI ΕΙΚΟΝΑ 23. DE ΜΕ LS ΕΙΚΌΝΑ 24. ΣΥΝΑΡΤΗΣΗ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ 1-0 RELOCATE ΕΙΚΌΝΑ 25. ΣΥΝΑΡΤΗΣΗ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ 1-1 EXCHANGE ΕΙΚΟΝΑ 26. ΣΥΝΑΡΤΗΣΗ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ MIRROR ΕΙΚΟΝΑ 27. ΥΒΡΙΔΙΚΟΣ ΑΛΓΟΡΙΘΜΟΣ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ ΜΕ ΚΡΙΤΗΡΙΟ ΠΡΟΣΟΜΟΙΩΜΕΝΗΣ ΑΝΟΠΤΗΣΗΣ ΣΤΗΝ ΕΠΙΛΟΓΗ ΤΟΥ ΝΕΟΥ ΜΕΛΟΥΣ ΤΟΥ ΠΛΗΘΥΣΜΟΥ ΕΙΚΟΝΑ 28. ΥΒΡΙΔΙΚΟΣ ΑΛΓΟΡΙΘΜΟΣ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ ΜΕ ΤΟΠΙΚΗ ΑΝΑΖΗΤΗΣΗ ΚΑΙ ΚΡΙΤΗΡΙΟ ΠΡΟΣΟΜΟΙΩΜΕΝΗΣ ΑΝΟΠΤΗΣΗΣ ΣΤΗΝ ΕΠΙΛΟΓΗ ΤΟΥ ΝΕΟΥ ΜΕΛΟΥΣ ΤΟΥ ΠΛΗΘΥΣΜΟΥ ΤΗΣ ΤΟΠΙΚΗΣ ΑΝΑΖΗΤΗΣΗΣ ΕΙΚΟΝΑ 29. DEILS ΕΙΚΟΝΑ 30. ΔΙΑΤΑΡΑΧΗ ΣΤΟΝ ISL ΕΙΚΟΝΑ 31. DEVNS ΕΙΚΟΝΑ 32. ΟΙ ΤΕΣΣΕΡΕΙΣ ΦΑΣΕΙΣ ΤΗΣ ΠΑΡΑΓΩΓΙΚΗΣ ΔΙΑΔΙΚΑΣΙΑΣ Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 8

9 ΕΙΚΟΝΑ 33. Η ΦΑΣΗ ΤΩΝ Α ΥΛΩΝ ΚΑΙ ΤΗΣ ΠΡΟΕΤΟΙΜΑΣΙΑΣ ΠΑΡΑΓΩΓΗΣ ΗΜΙΕΤΟΙΜΟΥ ΠΡΟΪΟΝΤΟΣ ΕΙΚΟΝΑ 34. Η ΦΑΣΗ ΤΗΣ ΠΑΡΑΓΩΓΗΣ ΗΜΙΕΤΟΙΜΟΥ ΚΡΕΜΩΔΟΥΣ ΠΡΟΪΟΝΤΟΣ ΕΙΚΟΝΑ 35. Η ΦΑΣΗ ΤΗΣ ΠΑΡΑΓΩΓΗΣ ΗΜΙΕΤΟΙΜΟΥ ΑΦΡΩΔΟΥΣ ΠΡΟΪΟΝΤΟΣ ΕΙΚΟΝΑ 36. Η ΦΑΣΗ ΤΩΝ ΥΛΙΚΩΝ ΣΥΣΚΕΥΑΣΙΑΣ ΚΑΙ ΤΗΣ ΠΡΟΕΤΟΙΜΑΣΙΑΣ ΤΗΣ ΓΡΑΜΜΗΣ ΣΥΣΚΕΥΑΣΙΑΣ ΕΙΚΟΝΑ 37. Η ΦΑΣΗ ΤΗΣ ΣΥΣΚΕΥΑΣΙΑΣ ΕΙΚΟΝΑ 38. ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΠΡΟΒΛΗΜΑΤΟΣ ΕΙΚΟΝΑ 39. ΣΥΝΑΡΤΗΣΗ ΤΟΥ ΣΤΑΔΙΟΥ ΤΗΣ ΠΑΡΑΓΩΓΗΣ BULK ΕΙΚΟΝΑ 40. ΣΥΝΑΡΤΗΣΗ ΤΟΥ ΣΤΑΔΙΟΥ ΤΟΥ ΜΙΚΡΟΒΙΟΛΟΓΙΚΟΥ ΕΛΕΓΧΟΥ ΕΙΚΟΝΑ 41. ΣΥΝΑΡΤΗΣΗ ΤΟΥ ΣΤΑΔΙΟΥ ΤΗΣ ΣΥΣΚΕΥΑΣΙΑΣ Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 9

10 ΣΥΝΤΟΜΟΓΡΑΦΙΕΣ FSSP: Flow-Shop Scheduling Problem Πρόβλημα χρονικού προγραμματισμού συστήματος παραγωγής συνεχούς ροής PFSSP: Permutation Flow-Shop Scheduling Problem Μεταθετικό πρόβλημα χρονικού προγραμματισμού συστήματος παραγωγής συνεχούς ροής. FFSSP: Flexible Flow-Shop Scheduling Problem Πρόβλημα χρονικού προγραμματισμού ευέλικτου συστήματος παραγωγής συνεχούς ροής DE: Differential Evolution Algorithm Αλγόριθμος Διαφορικής Εξέλιξης LS: Local Search Τοπική Αναζήτηση SA: Simulated Annealing Algorithm Αλγόριθμος Προσομοιωμένης Ανόπτησης ILS: Iterated Local Search Algorithm Αλγόριθμος Επαναληπτικής Τοπικής Αναζήτησης VNS: Variable Neighborhood Search Algorithm Αλγόριθμος Μεταβλητής Γειτονιάς Αναζήτησης Τυχαιοποιημένης Προσαρμοστικής Αναζήτησης IGA: Iterated Greedy Algorithm Επαναληπτικός Αλγόριθμος Απληστίας HDE: Hybrid Differential Evolution Algorithm Υβριδικός Αλγόριθμος Διαφορικής Εξέλιξης DESA: Υβριδικός Αλγόριθμος Διαφορικής Εξέλιξης με Προσομοιωμένη Ανόπτηση DEILS: Υβριδικός Αλγόριθμος Διαφορικής Εξέλιξης με Επαναληπτική Τοπική Αναζήτηση DEVNS: Υβριδικός Αλγόριθμος Διαφορικής Εξέλιξης με Μεταβλητή Γειτονιά Αναζήτησης Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 10

11 ΕΙΣΑΓΩΓΗ Ο χρονικός προγραμματισμός συστημάτων παραγωγής επιδιώκει να μειώσει το χρόνο και τα κόστη παραγωγής βελτιστοποιώντας την αποδοτικότητα των διάφορων λειτουργιών στις διεργασίες παραγωγής. Έχει δηλαδή τεράστια επιρροή στην αποτελεσματικότητα ενός συστήματος παραγωγής. Για αυτόν τον λόγο αποτελεί αντικείμενο μελέτης για πολλούς ερευνητές και βρίσκεται συνεχώς στην επικαιρότητα των δημοσιεύσεων για αρκετές δεκαετίες. Η παρούσα εργασία επικεντρώνεται στον χρονικό προγραμματισμό παραγωγής συστημάτων και ευέλικτων συστημάτων συνεχούς ροής. Προβλήματα τέτοιου τύπου παρουσιάζουν πληθώρα εφικτών λύσεων με τεράστιο υπολογιστικό κόστος για την εύρεση της βέλτιστης λύσης. Έτσι λοιπόν χρησιμοποιούνται τεχνικές μεθευρετικών αλγορίθμων με σκοπό την εύρεση μιας καλής λύσης. Στη συγκεκριμένη εργασία αναπτύσσονται τεχνικές υβριδικών αλγορίθμων διαφορικής εξέλιξης, οι οποίες δοκιμάζονται σε δεδομένα παρμένα από τη βιβλιογραφία ώστε να μετρηθεί η αποδοτικότητά τους. Στην πράξη όμως τα συστήματα παραγωγής παρουσιάζουν διάφορους περιορισμούς τους οποίους τα θεωρητικά μοντέλα δε λαμβάνουν υπόψη. Αρκετοί μελετητές έχουν επισημάνει τις διαφορές και έχουν επιχειρήσει να γεφυρώσουν το χάσμα μεταξύ θεωρίας και πράξης (Urlings, 2011; Ruiz et al, 2006; Kulksar & Erdelyi, 2005). Στην πραγματικότητα λοιπόν, υπάρχει μία μεγάλη ποικιλία περιορισμών γεγονός που καθιστά πολύ δύσκολη την προσέγγιση των ρεαλιστικών συστημάτων παραγωγής με θεωρητικά μοντέλα. Σκοπός της εργασίας είναι τόσο η μελέτη των συστημάτων παραγωγής και η δημιουργία νέων προτάσεων για την επίλυση προβλημάτων χρονικού προγραμματισμού, όσο η μοντελοποίηση ενός συστήματος παραγωγής της ελληνικής πραγματικότητας και η προσπάθεια προγραμματισμού του με την εφαρμογή μεθευρετικών αλγορίθμων. Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 11

12 Πιο συγκεκριμένα στην πρώτη ενότητα παρουσιάζεται το θεωρητικό υπόβαθρο που απαιτείται για την κατανόηση των τεχνικών που εφαρμόζονται στην παρούσα εργασία. Αρχικά αποσαφηνίζονται οι βασικές έννοιες και έπειτα παρουσιάζονται εν συντομία οι αλγόριθμοι που χρησιμοποιήθηκαν για να κατασκευαστούν οι υβριδικοί αλγόριθμοι διαφορικής εξέλιξης. Το θεωρητικό υπόβαθρο ακολουθεί μία σύντομη βιβλιογραφική ανασκόπηση, ώστε να παρουσιαστούν προγενέστερες έρευνες στο πεδίο του προγραμματισμού συστημάτων και ευέλικτων συστημάτων παραγωγής συνεχούς ροής με μεθευρετικούς αλγορίθμους. Στην τρίτη ενότητα εμφανίζονται διάφορες εκδοχές του αλγορίθμου της διαφορικής εξέλιξης και κατασκευάζονται υβριδικοί αλγόριθμοι με συνδυασμούς άλλων, ήδη διατυπωμένων μεθευρετικών αλγορίθμων. Οι αλγόριθμοι έχουν προγραμματιστεί σε γλώσσα προγραμματισμού C και εφαρμόζονται σε προβλήματα ποικίλων διαστάσεων παρμένων από τη βιβλιογραφία. Αφού παρουσιαστούν συγκεντρωτικά τα αποτελέσματα, πραγματοποιείται η σύγκριση αυτών και διαπιστώνεται η αποδοτικότητά τους. Η τέταρτη ενότητα αφορά την πρακτική εφαρμογή σε μια ελληνική εταιρία παραγωγής και εμπορίας καλλυντικών με παγκόσμια παρουσία. Αφού περιγραφεί η υποδομή και ο τρόπος λειτουργίας της εταιρίας ακολουθεί η μοντελοποίηση του συστήματος παραγωγής της. Στην συγκεκριμένη περίπτωση το σύστημα προσομοιώνεται ως ένα ευέλικτο συνεχούς ροής με διαφορετικούς περιορισμούς σε κάθε στάδιο και προγραμματίζεται με ιδιαίτερο τρόπο. Πραγματικά δεδομένα τα οποία έχουν δοθεί από την εταιρία χρησιμοποιούνται στην εφαρμογή των υβριδικών αλγορίθμων διαφορικής εξέλιξης. Τέλος, παρουσιάζονται τα συμπεράσματα της εργασίας και πραγματοποιείται σχολιασμός εφ όλης της ύλης. Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 12

13 1. ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ 1.1. ΠΡΟΒΛΗΜΑΤΑ ΧΡΟΝΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΣΥΣΤΗΜΑΤΩΝ ΠΑΡΑΓΩΓΗΣ Ο χρονικός προγραμματισμός της παραγωγής επιδιώκει την αποτελεσματική χρησιμοποίηση μηχανών και προσωπικού, έτσι ώστε να επιτευχθούν στόχοι όπως η ελαχιστοποίηση του χρόνου αναμονής πελατών, του χρόνου αποθήκευσης, του χρόνου πραγματοποίησης της παραγωγικής διαδικασίας κλπ. Στοχεύει λοιπόν στον προγραμματισμό ενός συνόλου εργασιών έτσι ώστε να βελτιστοποιούνται ορισμένα κριτήρια και να ικανοποιούνται συγκεκριμένοι περιορισμοί. Η πλειονότητα των προβλημάτων χρονικού προγραμματισμού παραγωγής παρουσιάζει ιδιαίτερη πολυπλοκότητα στην επίλυσή τους για την εύρεση της ολικής βέλτιστης λύσης. Στις περισσότερες περιπτώσεις, όταν το μέγεθος του προβλήματος αυξάνεται απαιτείται μεγάλο χρονικό διάστημα για την επίλυσή του και μερικές φορές η επίλυση είναι πρακτικά αδύνατη. Προβλήματα για τα οποία δεν υπάρχει γνωστός αποδοτικός αλγόριθμος που να δίνει βέλτιστη λύση και είναι σχεδόν αδύνατο να βρεθεί, ανήκουν στην κατηγορία των NPhard προβλημάτων σύμφωνα με την ορολογία που διατύπωσε ο Knuth το 1974 (Garey & Johnson, 1990). Υπάρχουν διάφορα κριτήρια για να κατηγοριοποιηθούν τα προβλήματα συστημάτων παραγωγής. Τα πιο διαδεδομένα είναι: ο τρόπος άφιξης των παραγγελιών, η πολιτική αποθεμάτων, οι ιδιότητες των εργασιών και η δομή των συστημάτων (Zobolas et al, 2008). Τα βασικότερα συστήματα παραγωγής σύμφωνα με τα οποία κατηγοριοποιούνται τα λεγόμενα shop scheduling problems είναι τα εξής: σύστημα παραγωγής κατά παραγγελία (job-shop): Κάθε εργασία αποτελείται από επιμέρους διεργασίες καθεμία από τις οποίες εκτελείται σε μία ορισμένη μηχανή και η σειρά εκτέλεσης των διεργασιών είναι διαφορετική για κάθε εργασία. Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 13

14 σύστημα παραγωγής συνεχούς ροής (flow-shop): Κάθε εργασία αποτελείται από επιμέρους διεργασίες καθεμία από τις οποίες εκτελείται σε ορισμένη μηχανή και η σειρά εκτέλεσης των διεργασιών για όλες τις εργασίες είναι η ίδια. Τα προβλήματα που αφορούν τα συστήματα αυτά θα παρουσιαστούν αναλυτικότερα στις επόμενες παραγράφους. σύστημα ανοιχτής παραγωγής (open-shop): Κάθε εργασία αποτελείται από επιμέρους διεργασίες καθεμία από τις οποίες εκτελείται σε ορισμένη μηχανή. Η σειρά εκτέλεσης των διεργασιών είναι διαφορετική για κάθε εργασία και μια εργασία μπορεί να έχει παραπάνω από μία εναλλακτικές σειρές εκτέλεσης διεργασιών. Πέρα από τη δομή του συστήματος παραγωγής ένα άλλο σημαντικό χαρακτηριστικό για τα προβλήματα χρονικού προγραμματισμού είναι το κριτήριο προς βελτιστοποίηση. Ενδεικτικά αναφέρονται μερικά από αυτά στον παρακάτω πίνακα: Πίνακας 1. κριτήρια χρονικού προγραμματισμού σε συστήματα παραγωγής Όνομα κριτηρίου Επεξήγηση Παραδείγματα μελετών Makespan Tasgetiren et al (2004) χρόνος περάτωσης τελευταίας Hejazi & Saghafian (2005) διεργασίας Pan et al (2007) total flow time συνολικός χρόνος ροής Pan & Ruiz (2011) Costa et al (2011) total completion time συνολικός χρόνος ολοκλήρωσης Aydilek & Allahverdi (2006) maximum tardiness μέγιστη βραδύτερη περάτωση Vallada & Ruiz (2010) earliness - tardiness χρόνοι νωρίτερης βραδύτερης περάτωσης Zhonghua et al (2009) multi-criteria συνδυασμός κριτηρίων Eren (2007) Επίσης, σημαντικό ρόλο στα προβλήματα χρονικού προγραμματισμού παίζουν οι περιορισμοί που προκύπτουν από τις διάφορες απαιτήσεις του συστήματος. Οι απαιτήσεις αυτές μπορεί να είναι η διαθεσιμότητα του παραγωγικού εξοπλισμού, η διαθεσιμότητα του Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 14

15 ανθρώπινου δυναμικού, η διαθεσιμότητα οικονομικών πόρων, ο χρόνος, η συντήρηση των μηχανών κλπ. Στη συνέχεια θα αναλυθούν λεπτομερέστερα τα συστήματα και τα ευέλικτα συστήματα παραγωγής συνεχούς ροής τα οποία πραγματεύεται η παρούσα εργασία ΣΥΣΤΗΜΑ ΠΑΡΑΓΩΓΗΣ ΣΥΝΕΧΟΥΣ ΡΟΗΣ Τα συστήματα παραγωγής συνεχούς ροής (flow-shop) χρησιμοποιούνται για μαζική παραγωγή περιορισμένης ποικιλίας τυποποιημένων προϊόντων, όπως για παράδειγμα τα προϊόντα διατροφής. Ο μηχανικός εξοπλισμός είναι τοποθετημένος σειριακά (Εικόνα 1) και τα προϊόντα που παράγονται συνήθως ακολουθούν την ίδια διαδρομή μέσα στο σύστημα. Εικόνα 1. σύνδεση μηχανών σε flow-shop Δηλαδή όλες οι εργασίες που πρέπει να πραγματοποιηθούν περνούν από όλες τις μηχανές του συστήματος οι οποίες βρίσκονται σε συγκεκριμένη σειρά. Η κάθε εργασία λοιπόν αποτελείται από επιμέρους διεργασίες οι οποίες ουσιαστικά αντιστοιχίζονται με τις μηχανές. Άρα αν το σύστημα περιλαμβάνει Μ διαφορετικές μηχανές και N διαφορετικές εργασίες, η κάθε μία από τις οποίες περιέχει Μ διεργασίες, τότε συμβολίζουμε τις μηχανές με 1, 2,..., M και τις διεργασίες μιας εργασίας i με (1, i), (2, i)... (Μ, i), όπου. Στην περίπτωση που κάποιες εργασίες δεν απαιτείται να περάσουν από όλες τις μηχανές πάλι υπάρχει συνεχής ροή εφόσον η σειρά με την οποία επισκέπτονται τις υπόλοιπες μηχανές είναι η καθορισμένη. Οι υποθέσεις που χαρακτηρίζουν το σύστημα έτσι όπως έχουν διατυπωθεί από τους Baker και Trietsch (2009) είναι οι εξής: Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 15

16 Μια ομάδα Ν ασυσχέτιστων εργασιών είναι διαθέσιμη για επεξεργασία τη χρονική στιγμή 0. Η κάθε εργασία απαιτεί Μ διεργασίες και η κάθε διεργασία απαιτεί διαφορετική μηχανή. Οι χρόνοι εξάρμωσης (setup time) είναι «εξαρτημένοι ακολουθίας» (sequencing dependent) 1 των μηχανών και συμπεριλαμβάνονται στους χρόνους επεξεργασίας. Οι χρόνοι επεξεργασίας των διεργασιών από τις μηχανές είναι γνωστοί από την αρχή. Όλες οι μηχανές είναι πάντα διαθέσιμες. Όταν ξεκινήσει η διεργασία συνεχίζει χωρίς καμία διακοπή. Στο flow-shop η χρονική διάρκεια ενός προγράμματος με Ν εργασίες και M μηχανές, ισούται με τον μέγιστο χρόνο περάτωσης των διεργασιών στην τελευταία μηχανή, δηλαδή: (1) όπου ο χρόνος λήξης του προγράμματος και Μ ο χρόνος περάτωσης κάθε εργασίας i στην τελευταία μηχανή Μ. Οι χρόνοι επεξεργασίας αφορούν το χρόνο που απαιτείται για την κάθε εργασία Ν να περάσει στην κάθε μηχανή. Όταν μία εργασία i φτάνει στη μηχανή j τότε είτε η μηχανή j είναι απασχολημένη με την επεξεργασία της προηγούμενης εργασίας i-1 είτε η μηχανή j είναι διαθέσιμη και «περιμένει» την εργασία i για επεξεργασία. Έτσι λοιπόν ισχύει: 1 Χρόνος εξάρμωσης μιας μηχανής (setup time) είναι ο χρόνος προετοιμασίας που χρειάζεται η μηχανή. Αν εξαρτάται μόνο από το είδος της εργασίας που πρόκειται να εκτελεσθεί στη μηχανή λέγεται «ανεξάρτητος ακολουθίας» (sequence independent), ενώ αν εξαρτάται και από το είδος της εργασίας της οποίας η επεξεργασία προηγήθηκε στη μηχανή, λέγεται «εξαρτημένος ακολουθίας» (sequence dependent). Στην παρούσα εργασία υποθέτουμε ότι οι χρόνοι εξάρμωσης περιλαμβάνονται στον χρόνο επεξεργασίας και δεν λαμβάνονται υπόψη. Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 16

17 (2) Στον παρακάτω πίνακα για παράδειγμα εμπεριέχονται οι χρόνοι επεξεργασίας για ένα πρόβλημα με 4 μηχανές και 4 εργασίες: Πίνακας 2. χρόνοι επεξεργασίας για FSSP τεσσάρων μηχανών και τεσσάρων εργασιών μηχανές εργασίες E1 E2 E3 E4 M M M M Στο παρακάτω διάγραμμα απεικονίζεται η χρονική διάρκεια των διεργασιών στην περίπτωση που οι εργασίες πραγματοποιούνται με τη σειρά Ε1, Ε2, Ε3 και Ε4. Οι μηχανές έχουν μία καθορισμένη σειρά: Μ1, Μ2, Μ3 και Μ4. Όταν εκτελεσθεί και η τελευταία διεργασία τότε ολοκληρώνεται η εκάστοτε εργασία. Δηλαδή όταν περάσουν όλες οι εργασίες και από την τελευταία μηχανή, την Μ4, θα έχουν ολοκληρωθεί όλες οι εργασίες. Εικόνα 2. διάγραμμα Gantt για flow-shop - σειρά εκτέλεσης εργασιών: Ε1, Ε2, Ε3, Ε4 Στο επόμενο διάγραμμα απεικονίζονται πάλι οι χρονικές διάρκειες των διεργασιών, όμως αυτή τη φορά η σειρά πραγματοποίησης των εργασιών είναι διαφορετική: Ε3, Ε4, Ε1, Ε2. Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 17

18 Εικόνα 3. διάγραμμα Gantt για flow-shop - σειρά εκτέλεσης εργασιών: Ε3, Ε4, Ε1, Ε2 Παρατηρείται ότι ανάλογα με τη σειρά εκτέλεσης των εργασιών τα χρονικά αποτελέσματα διαφέρουν. Στα προβλήματα χρονικού προγραμματισμού flow-shop (Flow Shop Scheduling Problems FSSP) το ζητούμενο είναι ακριβώς αυτό. Να βρεθεί μία αλληλουχία εργασιών, η οποία θα βελτιστοποιεί κάποιο συγκεκριμένο κριτήριο. Το κριτήριο που χρησιμοποιείται ευρέως στη βιβλιογραφία και το οποίο θα χρησιμοποιηθεί σε αυτή την εργασία είναι ο χρόνος περάτωσης της τελευταίας εργασίας (makespan). Στο παραπάνω παράδειγμα χρησιμοποιούμε μια συγκεκριμένη αλληλουχία εργασιών για όλες τις μηχανές. Σε αυτή την περίπτωση έχουμε μεταθετικό πρόβλημα χρονικού προγραμματισμού συστήματος συνεχούς ροής (Permutation Flow-Shop Scheduling Problem - PFSSP). Στην περίπτωση που η σειρά των εργασιών αλλάζει για κάθε μηχανή και ο αριθμός των εργασιών είναι Ν, τότε υπάρχουν Ν! πιθανές αλληλουχίες εργασιών για κάθε μηχανή και άρα υπάρχουν Ν Μ διαφορετικά προγράμματα. Στην περίπτωση όμως του μεταθετικού flow-shop υπάρχουν μόνο Ν! διαφορετικές διατάξεις των Ν εργασιών. Στην πραγματικότητα στα μεταθετικά προγράμματα εμφανίζονται συχνότερα νεκροί χρόνοι (idle times) 2 μεταξύ των διεργασιών συγκριτικά με τα μη μεταθετικά. Το γεγονός όμως ότι η καλύτερη μεταθετική λύση δεν είναι πολύ χειρότερη από μία μη μεταθετική και δεδομένου του υπολογιστικού κόστους των δύο περιπτώσεων, οι περισσότερες έρευνες στη βιβλιογραφία αφορούν μεταθετικά προβλήματα. Στις επόμενες ενότητες της παρούσας εργασίας όταν χρησιμοποιείται ο όρος flow-shop θα εννοείται permutation flow-shop. 2 Νεκρός χρόνος (idle time) ονομάζεται το χρονικό διάστημα για το οποίο μια μηχανή του συστήματος δε χρησιμοποιείται. Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 18

19 Εκτός από τα μεταθετικά και τα μη μεταθετικά προβλήματα υπάρχουν διάφορες άλλες παραλλαγές του κλασικού FSSP, οι οποίες μπορούν να βασίζονται σε μια ποικιλία παραγόντων όπως για παράδειγμα τους χρόνους εξάρμωσης, τους νεκρούς χρόνους, την ύπαρξη αποθηκών με περιορισμένο χώρο μεταξύ των μηχανών κλπ. Η παρούσα εργασία αναφέρεται στο κλασικό FSSP το οποίο περιγράφηκε παραπάνω. Το FSSP έχει απασχολήσει επί δεκαετίες τους ερευνητές. Πρώτος ο Johnson (1954) απέδειξε ότι είναι δυνατό να βρεθεί βέλτιστη λύση στο πρόβλημα προγραμματισμού flowshop με δύο μηχανές. Το όνομά του έχει ταυτιστεί με τα προβλήματα δύο μηχανών καθώς έχει επηρεάσει αισθητά τη μετέπειτα θεωρία προγραμματισμού σε προβλήματα συνεχούς ροής (Baker & Trietsch, 2009). Σύμφωνα με τον κανόνα του Johnson στην περίπτωση μεταθετικού προβλήματος τριών μηχανών είναι δυνατό να βρεθεί βέλτιστη λύση, ενώ στην περίπτωση του μη μεταθετικού συστήματος το πρόβλημα γίνεται NP-hard (Baker & Trietsch, 2009) καθώς όλα τα προβλήματα των μη μεταθετικών συστημάτων που έχουν πάνω από τρεις μηχανές κατατάσσονται στην κατηγορία των NP-hard προβλημάτων (Garey et al, 1976). Βέλτιστη λύση για μεταθετικά προβλήματα τριών μηχανών μπορεί να αποδώσει και η μέθοδος Branch and Bound με την οποία από τους πρώτους που ασχολήθηκαν ήταν οι Ignall και Schrage το Έκτοτε πολλοί άλλοι ερευνητές χρησιμοποίησαν διάφορες τεχνικές στα πλαίσια αυτής της μεθόδου. Η δυσκολία όμως έγκειται στο ότι η μέθοδος Branch and Bound όπως και άλλες μέθοδοι δυναμικού προγραμματισμού χάνουν την ισχύ τους στα μεγάλα προβλήματα λόγω του υπολογιστικού κόστους. Για αυτό το λόγο το ενδιαφέρον των ερευνητών κατευθύνεται σε άλλες αποτελεσματικές τεχνικές, τους μεθευρετικούς αλγορίθμους. Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 19

20 ΕΥΕΛΙΚΤΟ ΣΥΣΤΗΜΑ ΠΑΡΑΓΩΓΗΣ ΣΥΝΕΧΟΥΣ ΡΟΗΣ Το πρόβλημα του χρονικού προγραμματισμού του ευέλικτου συστήματος συνεχούς ροής (Flexible Flow-Shop Scheduling Problem - FFSSP) γνωστό και ως πρόβλημα υβριδικού συστήματος συνεχούς ροής (hybrid flow-shop ή multi-processor flow-shop problem) παρουσιάζει ένα συνεχώς αυξανόμενο ενδιαφέρον στη βιβλιογραφία (Ruiz & Vázquez- Rodríguez, 2010). Το flexible flow-shop είναι ουσιαστικά μία γενίκευση του flow-shop και των συστημάτων με παράλληλες μηχανές (Sriskandarajah & Sethi, 1989; Pinedo, 2008). Αντί για Μ μηχανές σε σειρά υπάρχουν c στάδια σε σειρά από τα οποία το κάθε ένα περιλαμβάνει έναν αριθμό από μηχανές σε παράλληλη γεωμετρία. Κάθε εργασία πρέπει να περάσει από όλα τα στάδια σειριακά, χρησιμοποιώντας μόνο μία μηχανή στο καθένα. Τα παραδοσιακά flexible flow-shop είναι αυτοματοποιημένα σε μεγάλο βαθμό. Συνήθως, υπάρχει μία πρώτη μηχανή η οποία «γεμίζει» το σύστημα και μία τελευταία που το «αδειάζει», ενώ οι μεταφορές προϊόντων μεταξύ των μηχανών πραγματοποιούνται από ένα συγκεκριμένο και αυτοματοποιημένο σύστημα μεταφοράς, το οποίο έχει τη δυνατότητα να προσπερνάει μηχανές (Hitz, 1979). Σύμφωνα με τους Ruiz και Vázquez-Rodríguez (2010) στο κλασικό μοντέλο flexible flowshop υπάρχουν οι εξής παραδοχές: Σε κάθε στάδιο υπάρχουν σε παράλληλη σύνδεση πανομοιότυπες μηχανές. Όλες οι μηχανές και οι εργασίες είναι διαθέσιμες στη χρονική στιγμή 0. Η μηχανή έχει τη δυνατότητα να επεξεργάζεται μόνο μία εργασία τη φορά. Οι χρόνοι εξάρμωσης είναι αμελητέοι. Η χωρητικότητα των αποθηκών μεταξύ των μηχανών είναι απεριόριστη. Τα δεδομένα του προβλήματος είναι καθορισμένα και γνωστά εξαρχής. Παρακάτω παρουσιάζονται διαγραμματικά οι πιθανές μεταβάσεις σε ένα παράδειγμα flexible flow-shop με c = 3, και : Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 20

21 Εικόνα 4. flexible flow-shop - πιθανές μεταβάσεις Έστω λοιπόν ότι το σύστημα έχει c 2 στάδια μηχανών και στο στάδιο l υπάρχουν 1 πανομοιότυπες παράλληλες μηχανές όπου l = 1, 2,..., c και οι μηχανές με i = 1, 2,...,. Οι εργασίες j = 1, 2,..., Ν πρέπει να περάσουν από κάθε στάδιο και οι χρόνοι επεξεργασίας είναι (όταν οι μηχανές είναι πανομοιότυπες σε κάθε στάδιο, δηλαδή στην περίπτωση του κλασικού flexible flow-shop). Οι Brockmann & Dangelmaier (1998) συμβολίζουν με το χρόνο ολοκλήρωσης κάθε εργασίας j σε κάθε στάδιο l και με α το διαθέσιμο χρονικό διάστημα που έχει για επεξεργασία η μηχανή i στο στάδιο l. Αν η εργασία j τοποθετηθεί στην πρώτη ελεύθερη μηχανή του σταδίου l τότε ο χρόνος επεξεργασίας της ξεκινάει: α Άρα ο χρόνος ολοκλήρωσης της κάθε εργασίας j στο κάθε στάδιο l θα είναι: και ο υπολογισμός του makespan προκύπτει από: Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 21

22 Στην παρούσα εργασία το ζητούμενο είναι η εύρεση της σειράς εκτέλεσης των εργασιών στο πρώτο στάδιο με σκοπό την ελαχιστοποίηση του makespan. Η σταθερή σειρά εκτέλεσης των εργασιών σε όλα τα στάδια δεν έχει νόημα όπως στο flow-shop αφού σε αυτή την περίπτωση οι εργασίες εκτελούνται και παράλληλα. Για να γίνει πιο κατανοητό παρουσιάζεται το διάγραμμα Gantt για ένα flexible flow-shop με 2 στάδια και 4 μηχανές. Εικόνα 5. διάγραμμα Gantt για flexible flow-shop Το μοντέλο flexible flow-shop έχει προσδιοριστεί με διάφορες παραλλαγές. Για παράδειγμα οι Verma και Dessouky (1999) καθώς και ο Sethanan (2001) μελέτησαν μοντέλα με μη πανομοιότυπες μηχανές σε κάθε στάδιο, ενώ οι Kulksar και Erdelyi (2005) πρότειναν επεκτάσεις του προβλήματος, ούτως ώστε το θεωρητικό μοντέλο να έρθει πιο κοντά στα ρεαλιστικά συστήματα παραγωγής. Όπως αναφέρθηκε και στην εισαγωγή, υπάρχει ένα κενό μεταξύ θεωρίας και πράξης μιας και στην πραγματικότητα τα συστήματα παραγωγής παρουσιάζουν πολλούς περιορισμούς που δε συμπεριλαμβάνονται στα θεωρητικά μοντέλα. Στην τέταρτη ενότητα της παρούσας εργασίας θα περιγραφεί ένα flexible flow-shop όπου οι περιορισμοί είναι διαφορετικοί για κάθε στάδιο. Έχει αποδειχτεί ότι τα FFSSP ανήκουν αυστηρώς στην κατηγορία των NP-hard προβλημάτων (Gupta, 1988), επομένως όπως παρατηρείται και στη βιβλιογραφία η επίλυσή τους προσεγγίζεται κυρίως από Branch and Bound και ευρετικές τεχνικές με έντονο ενδιαφέρον τα τελευταία χρόνια στους μεθευρετικούς αλγορίθμους (Ruiz & Vázquez- Rodríguez, 2010; Quadt & Kuhn, 2007). Στη συνέχεια αυτού του κεφαλαίου θα παρουσιαστούν οι μεθευρετικές τεχνικές. Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 22

23 1.2. ΕΥΡΕΤΙΚΟΙ - ΜΕΘΕΥΡΕΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ Έχουν διατυπωθεί διάφορες τεχνικές που οδηγούν, σε σχετικά σύντομο χρονικό διάστημα, σε μια σχεδόν βέλτιστη - ικανοποιητική λύση των NP-hard προβλημάτων. Οι τεχνικές αυτές είναι οι ευρετικοί αλγόριθμοι οι οποίοι καταλήγουν σε μια λύση όταν αυτή ικανοποιεί συγκεκριμένα κριτήρια με λογικό υπολογιστικό κόστος (Vob, 2009). Τα κριτήρια διαφέρουν σε κάθε αλγόριθμο, αλλά διαφορετικοί αλγόριθμοι μπορούν να εφαρμοστούν στο ίδιο πρόβλημα. Για παράδειγμα, σε ένα συγκεκριμένο πρόβλημα μπορεί να είναι πιο αποτελεσματικός διαφορετικός αλγόριθμος για μικρό όγκο δεδομένων και διαφορετικός για μεγάλο. Ένα άλλο θέμα που οφείλεται να εξεταστεί είναι η ποιότητα της λύσης των ευρετικών αλγορίθμων. Έχουν διατυπωθεί διάφορες μέθοδοι για τον σκοπό αυτό (Αναγνωστόπουλος & Κώτσικας, 2004) καθώς και τεχνικές για την επιλογή αλγορίθμου (Allen & Minton, 1996). Ένας κλασικός τρόπος για τη σύγκριση της αποδοτικότητας διαφορετικών αλγορίθμων είναι μέσω δοκιμαστικών «τρεξιμάτων» του ίδιου προβλήματος και η εν τέλει η σύγκριση των αποτελεσμάτων τους. Το μεγαλύτερο πρόβλημα του συγκεκριμένου τρόπου είναι ότι το δείγμα που δοκιμάζεται δε μπορεί να είναι αντιπροσωπευτικό για όλες τις περιπτώσεις. Δεν σημαίνει δηλαδή ότι αν ένας αλγόριθμος βελτιστοποιεί ένα σετ δεδομένων ενός συγκεκριμένου προβλήματος θα συμβαίνει το ίδιο και με όλα τα πιθανά σετ δεδομένων. Στη συνέχεια παρουσιάζονται τρεις γενικές κατηγορίες ευρετικών αλγορίθμων (Μαρινάκης et al, 2011): Αλγόριθμοι απληστίας (greedy algorithms): Κατασκευάζουν σταδιακά τη βέλτιστη λύση και σε κάθε στάδιο επιλέγεται η τοπικά βέλτιστη λύση με βάση κάποιο «κριτήριο απληστίας». Η επιλογή που ήδη έχει γίνει σε κάποιο στάδιο δε μπορεί να αλλάξει μεταγενέστερα. Προσεγγιστικοί αλγόριθμοι (approximation algorithms): Είναι πολυωνυμικοί αλγόριθμοι με εγγυημένη ποιότητα για τη λύση του προβλήματος. Εδώ αξίζει να Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 23

24 σημειωθεί ότι κάποιοι ερευνητές θεωρούν τους προσεγγιστικούς αλγορίθμους κάτι διαφορετικό από τους ευρετικούς διότι οι πρώτοι εγγυώνται για την ποιότητα της λύσης (Talbi, 2009). Αλγόριθμοι τοπικής αναζήτησης (local search algorithms): Επιχειρούν να βελτιώσουν μια αρχική λύση με κάποια μέθοδο αναζήτησης στη γειτονιά της λύσης, δηλαδή οι αλγόριθμοι τοπικής αναζήτησης προαπαιτούν την ύπαρξη μιας εφικτής λύσης. Ο Glover (1986) χρησιμοποίησε για πρώτη φορά τον όρο μεθευρετικός αλγόριθμος (metaheuristic) στην προσπάθειά του να περιγράψει τον αλγόριθμο Περιορισμένης Αναζήτησης (Tabu Search). Οι μεθευρετικοί αλγόριθμοι μπορούν να οριστούν ως «μέθοδοι επίλυσης που συνδυάζουν διαδικασίες τοπικής αναζήτησης και υψηλοτέρου επιπέδου στρατηγικές για να δημιουργήσουν μια διαδικασία που είναι ικανή να ξεφύγει από κάποιο τοπικό ελάχιστο» (Μαρινάκης & Μυγδαλάς, 2008). Με απλά λόγια θα μπορούσε να ειπωθεί ότι οι μεθευρετικοί είναι αναβαθμισμένοι ευρετικοί αλγόριθμοι. Οι μεθευρετικοί αλγόριθμοι επιλύουν περιπτώσεις ΝP-hard προβλημάτων εξερευνώντας συνήθως ένα μεγάλο πεδίο λύσεων, το οποίο σταδιακά μειώνεται με σκοπό να βρεθεί μια καλύτερη λύση. Επιπλέον, είναι εύκολοι στο σχεδιασμό και πολύ ευέλικτοι. Έτσι, τα τελευταία χρόνια οι περισσότεροι αλγόριθμοι που έχουν αναπτυχθεί για την επίλυση των προβλημάτων συνδυαστικής βελτιστοποίησης ανήκουν σε αυτή την κατηγορία (Μαρινάκης & Μυγδαλάς, 2008). Μερικοί από τους πιο διαδεδομένους μεθευρετικούς αλγορίθμους παρουσιάζονται στο παρακάτω χρονοδιάγραμμα: Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 24

25 Εικόνα 6. χρονοδιάγραμμα εμφάνισης μεθευρετικών αλγορίθμων Υπάρχει πληθώρα μεθευρετικών αλγορίθμων γεγονός που καθιστά την προσέγγιση όλων δύσκολη. Για αυτόν τον λόγο θα παρουσιαστούν σε τέσσερεις γενικές κατηγορίες: Μεθευρετικοί αλγόριθμοι βασισμένοι στη γειτονιά αναζήτησης: Αλγόριθμοι οι οποίοι χρησιμοποιώντας τη μέθοδο της τοπικής αναζήτησης διερευνούν την περιοχή γύρω από ένα σημείο που έχει βρεθεί ως τοπικό ελάχιστο, δηλαδή πραγματοποιούν μικρές αλλαγές σε μία μόνο λύση. Οι αλγόριθμοι αυτοί λειτουργούν με διάφορες στρατηγικές και έχουν κατηγοριοποιηθεί σύμφωνα με τους Μαρινάκη et al (2011) ως εξής: 1. Επαναληπτικές διαδικασίες που αρχίζουν από διαφορετικές αρχικές λύσεις π.χ. αλγόριθμος επαναληπτικής τοπικής αναζήτησης (iterated local search). Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 25

26 2. Αλγόριθμοι που δέχονται γειτονικές κινήσεις που δεν βελτιώνουν τη λύση π.χ. αλγόριθμος προσομοιωμένης ανόπτησης (simulated annealing). 3. Αλγόριθμοι που αλλάζουν τη γειτονιά αναζήτησης π.χ. αλγόριθμος μεταβλητής γειτονιάς αναζήτησης (variable neighborhood search). 4. Αλγόριθμοι που αλλάζουν την αντικειμενική συνάρτηση ή κάποια από τα δεδομένα του προβλήματος π.χ. αλγόριθμος καθοδηγούμενης τοπικής αναζήτησης (guided local search) Κατασκευαστικοί μεθευρετικοί αλγόριθμοι: Κατασκευάζουν λύσεις από δικά τους συστατικά στοιχεία αντί να βελτιώνουν υπάρχουσες λύσεις π.χ. η διαδικασία άπληστης τυχαιοποιημένης προσαρμοστικής αναζήτησης (greedy randomized adaptive search procedure - GRASP). Μεθευρετικοί αλγόριθμοι βασισμένοι στον πληθυσμό: Αλγόριθμοι οι οποίοι βρίσκουν καλές λύσεις επιλέγοντας και συνδυάζοντας κατ επανάληψη ήδη υπάρχουσες λύσεις από μια ομάδα που ονομάζεται πληθυσμός. Ξεκινώντας από έναν αρχικό πληθυσμό επανειλημμένα αντικαθιστούν την τρέχουσα με μία νέα γενιά πληθυσμού. Τα πιο σημαντικά μέλη αυτής της κατηγορίας είναι οι εξελικτικοί αλγόριθμοι, οι οποίοι μέσω μιας επαναληπτικής διαδικασίας εξελίσσουν νέους πληθυσμούς ατόμων από τους παλιούς π.χ. γενετικοί αλγόριθμοι (genetic algorithms). Σε αυτήν την κατηγορία ανήκει και ο αλγόριθμος της διαφορικής εξέλιξης που εξετάζεται εκτενέστερα στην παρούσα εργασία. Υβριδικοί μεθευρετικοί αλγόριθμοι: Αλγόριθμοι οι οποίοι ενσωματώνουν σε μεθευρετικούς αλγόριθμους κάποιες άλλες τεχνικές. Οι Blum και Roli (2008) διαχωρίζουν του υβριδικούς μεθευρετικούς αλγόριθμους σε δύο κατηγορίες: 1. Αλγόριθμοι οι οποίοι συνδυάζουν στοιχεία διαφορετικών μεθευρετικών τεχνικών. Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 26

27 2. Αλγόριθμοι οι οποίοι συνδυάζουν μεθευρετικές τεχνικές με τεχνικές άλλων πεδίων όπως της επιχειρησιακής έρευνας και της τεχνητής νοημοσύνης. Στη συνέχεια θα αναλυθούν οι αλγόριθμοι που θα χρησιμοποιηθούν για τη δημιουργία των υβριδικών αλγορίθμων διαφορικής εξέλιξης ΑΛΓΟΡΙΘΜΟΣ ΔΙΑΦΟΡΙΚΗΣ ΕΞΕΛΙΞΗΣ Ο αλγόριθμος της διαφορικής εξέλιξης (Differential Evolution Algorithm - DE) για πρώτη φορά δημοσιεύτηκε το 1995 σε μία τεχνική έκθεση των Storn και Price. Αμέσως απέδειξε την αξία του σε διαγωνισμούς όπως το 1996 στον International Contest on Evolutionary Optimization που διοργανώθηκε από την ΙΕΕΕ (Price et al, 2005) και έκτοτε απασχολεί πολλούς ερευνητές αποτελώντας πλέον έναν από τους πιο διαδεδομένους μεθευρετικούς αλγόριθμους. Όπως όλοι οι εξελικτικοί αλγόριθμοι έτσι και ο DE είναι βασισμένος στον πληθυσμό. Τα μέλη του πληθυσμού είναι διανύσματα τα οποία αποτελούνται από μεταβλητές, οι οποίες ονομάζονται γονίδια. Η βασική ιδέα βρίσκεται στη χρήση διαφορικών διανυσμάτων για την διατάραξη (perturbation) των διανυσμάτων του πληθυσμού με σκοπό τη δημιουργία νέων, δηλαδή νέας γενιάς πληθυσμού. Σημαντικό ρόλο στη διατάραξη παίζει ένα διάνυσμα από τον παλαιότερο πληθυσμό το οποίο ονομάζεται γονέας. Η συνάρτηση προς βελτιστοποίηση, C, είναι της μορφής και όπου D είναι ο αριθμός των μεταβλητών απόφασης, οι οποίες συμβολίζονται με Χ (γονίδια). Ο πληθυσμός αποτελείται από NP διανύσματα και το κάθε διάνυσμα έχει ένα δείκτη από το 0 μέχρι το NP-1. Συνεπώς ο πληθυσμός P της γενιάς G είναι: με ; και (3) Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 27

28 Στις κλασικές περιπτώσεις προβλημάτων που επιλύονται με τον DE δίδονται κάποια όρια στα οποία μπορεί να κινηθεί η τιμή των μεταβλητών απόφασης: Έτσι λοιπόν ένας τρόπος αρχικοποίησης του πληθυσμού είναι (Price et al, 2005): όπου μία τυχαία τιμή που κυμαίνεται από το 1 μέχρι το 0. και (4) Στη φάση της μετάλλαξης (mutation), από ένα διάνυσμα του πληθυσμού (γονέας) και από δύο άλλα τυχαία διανύσματα παράγεται το διάνυσμα μετάλλαξης ( ) με τον εξής τρόπο: Χ Χ Χ (5) όπου, τυχαίες τιμές με την προϋπόθεση ότι F, ο τελεστής κανονικότητας ο οποίος παίρνει συνήθως τιμές από 0 μέχρι 1. Όσο μικρότερος είναι τόσο περισσότερο χρόνο θα χρειαστεί για να πραγματοποιηθεί η σύγκλιση ενώ το αντίθετο συμβαίνει για μεγάλες τιμές του F. Αφού υπολογιστεί το διάνυσμα μετάλλαξης στη συνέχεια δημιουργείται το δοκιμαστικό διάνυσμα ( ) σύμφωνα με το κριτήριο διασταύρωσης (crossover): ά ώ ή και (6) όπου CR, ο τελεστής διασταύρωσης ο οποίος παίρνει τιμές από 0 μέχρι 1 Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 28

29 , ένας ακέραιος αριθμός από 1 μέχρι D Δηλαδή αν ένας τυχαίος αριθμός στο διάστημα (0,1) είναι μικρότερος από τον τελεστή διασταύρωσης, τότε το δοκιμαστικό διάνυσμα λαμβάνει το γονίδιο του διανύσματος μετάλλαξης, διαφορετικά, το γονίδιο του γονέα. Γίνεται αντιληπτό ότι όσο η τιμή του τελεστή διασταύρωσης είναι πιο κοντά (ή ίση) με 1 τόσο πιο πολλά γονίδια (ή όλα τα γονίδια) του δοκιμαστικού διανύσματος κληρονομούνται από το διάνυσμα μετάλλαξης αλλιώς αν είναι κοντά (ή ίσο) με το 0 τόσο πιο πολλά γονίδια (ή όλα τα γονίδια) κληρονομούνται από τον γονέα (Μαρινάκης et al, 2011). Ο αριθμός ουσιαστικά εξασφαλίζει ότι θα περάσει στο δοκιμαστικό διάνυσμα τουλάχιστον ένα γονίδιο από το διάνυσμα μετάλλαξης (Storn & Price, 1997). Μετά τη διασταύρωση πραγματοποιείται το στάδιο της επιλογής (selection) όπου καθορίζεται ποιο διάνυσμα θα περάσει στην επόμενη γενιά. Η σύγκριση γίνεται μεταξύ του δοκιμαστικού διανύσματος και του γονέα σύμφωνα με την ποιότητα των αντικειμενικών τους συναρτήσεων (f): Χ Χ εάν αλλιώς Χ (7) Συνοψίζοντας, τα βήματα του DE είναι τα εξής: 1. αρχικοποίηση πληθυσμού 2. αξιολόγηση των αντικειμενικών συναρτήσεων όλων των ατόμων του πληθυσμού 3. για κάθε μέλος του πληθυσμού: μετάλλαξη, διασταύρωση, επιλογή, ενημέρωση νέας γενιάς 4. αν το κριτήριο τερματισμού ικανοποιείται τότε τερματισμός, διαφορετικά επιστροφή στο βήμα 3 Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 29

30 Παραπάνω παρουσιάστηκε η βασική στρατηγική για τον υπολογισμό του δοκιμαστικού διανύσματος. Οι Price και Storn (2001) στην επίσημη ιστοσελίδα του DE 3 προτείνουν συνολικά δέκα διαφορετικές στρατηγικές (Πίνακας 3). Οι στρατηγικές έχουν τη μορφή DE/α/β/γ όπου, το DE σημαίνει ότι χρησιμοποιείται η μέθοδος της διαφορικής εξέλιξης, το α αναπαριστά το είδος του διανύσματος που προκαλεί τη διαταραχή, το β αναφέρεται στο πλήθος των εξισώσεων διαφορών και το γ στον τύπο της διασταύρωσης που χρησιμοποιείται. Δύο είναι οι βασικοί τύποι της διασταύρωσης και συμβολίζονται με exp (exponential recombination) και bin (binomial recombination) (Storn & Price, 1997). Η διαφορά τους είναι ότι στην πρώτη περίπτωση τα γονίδια του δοκιμαστικού διανύσματος λαμβάνονται από τον γονέα μέχρι μια τυχαία τιμή από 0 μέχρι 1 να ξεπεράσει την τιμή του τελεστή διασταύρωσης και έπειτα λαμβάνονται από το διάνυσμα μετάλλαξης, ενώ στη δεύτερη περίπτωση κάθε γονίδιο του δοκιμαστικού διανύσματος λαμβάνεται είτε από τον γονέα είτε από το διάνυσμα μετάλλαξης σύμφωνα με την κλασική περίπτωση διασταύρωσης (De La Fraga & Coello Coello, 2011). Επίσης, μερικές στρατηγικές χρησιμοποιούν το διάνυσμα Χ το οποίο συμβολίζει το καλύτερο ποιοτικά διάνυσμα του πληθυσμού. Επιπλέον στις στρατηγικές 3 και 8 (Πίνακας 3) χρησιμοποιείται η τιμή c η οποία υποδηλώνει το βαθμό επιρροής του καλύτερου και του τυχαίου διανύσματος. Ο αλγόριθμος που έχει αναπτυχθεί από τους Price & Storn (2001) θέτει c = F κάτι που θα χρησιμοποιηθεί στην παρούσα εργασία, άρα οι παράμετροι του αλγόριθμου που θα πρέπει να προσδιοριστούν είναι οι: F, CR και NP καθώς και ο αριθμός επαναλήψεων GMAX (όπου GMAX ο αριθμός της μεγαλύτερης γενιάς). 3 Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 30

31 Πίνακας 3. στρατηγικές αλγορίθμου διαφορικής εξέλιξης στρατηγική μοντελοποίηση 1. DE/best/1/exp 6. DE/best/1/bin Χ Χ Χ 2. DE/rand/1/exp 7. DE/rand/1/bin Χ Χ Χ 3. DE/rand-to-best/1/exp 8. DE/rand-to best/1/bin Χ Χ Χ Χ Χ 4. DE/best/2/exp 9. DE/best/2/bin Χ Χ Χ Χ Χ 5. DE/rand/2/exp 10. DE/rand/2/bin Χ Χ Χ Χ Χ Θα πρέπει να τονιστεί επιπλέον ότι ο DE λειτουργεί στο πεδίο των συνεχών τιμών, άρα η εφαρμογή του σε προβλήματα όπως το FSSP απαιτεί την κατασκευή συναρτήσεων για μετατροπή των αριθμών από συνεχείς σε ακέραιους και το αντίθετο. Στη συνέχεια παρουσιάζεται ο DE: ΕΝΑΡΞΗ ΑΛΓΟΡΙΘΜΟΥ προσδιορισμός παραμέτρων DE: F, CR, NP, D, GMAX, στρατηγική μετάλλαξης - διασταύρωσης είσοδος δεδομένων αρχικοποίηση πληθυσμού υπολογισμός ποιότητας του κάθε μέλους του πληθυσμού εύρεση βέλτιστου μέλους γενιά = 0 ΟΣΟ γενιά < GMAX ΕΠΑΝΑΛΑΒΕ ΓΙΑ κάθε μέλος του πληθυσμού ΕΠΑΝΑΛΑΒΕ μετατροπή διακριτών σε συνεχείς τιμές /*αν χρειάζεται*/ δημιουργία δοκιμαστικού διανύσματος μετατροπή συνεχών σε διακριτές τιμές /*αν χρειάζεται*/ σύγκριση δοκιμαστικού διανύσματος με παλιό πληθυσμό ενημέρωση νέας γενιάς ΤΕΛΟΣ ΕΠΑΝΑΛΗΨΗΣ υπολογισμός ποιότητας κάθε μέλους εύρεση βέλτιστου μέλους γενιά = γενιά + 1 ΤΕΛΟΣ ΕΠΑΝΑΛΗΨΗΣ εξαγωγή καλύτερου μέλους του πληθυσμού Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 31

32 ΤΕΡΜΑΤΙΣΜΟΣ ΑΛΓΟΡΙΘΜΟΥ Εικόνα 7. αλγόριθμος διαφορικής εξέλιξης ΑΛΓΟΡΙΘΜΟΙ ΤΟΠΙΚΗΣ ΑΝΑΖΗΤΗΣΗΣ Οι τεχνικές τοπικής αναζήτησης (Local Search - LS) προϋποθέτουν την ύπαρξη μιας αρχικής λύσης στην οποία εφαρμόζονται διάφορες αλλαγές προκειμένου να βρεθεί μία καλύτερη λύση. Στην πλειονότητά τους είναι απλοί αλγόριθμοι, οι οποίοι χρησιμοποιούνται σε συνδυασμό με άλλους αλγορίθμους για να αποφευχθούν τοπικά βέλτιστα. Η λογική των αλγορίθμων LS είναι αρκετά απλή. Αρχικά επιλέγεται μία λύση από το χώρο αναζήτησης (γειτονιά λύσεων, Ν) και ονομάζεται τρέχουσα. Στη συνέχεια εφαρμόζεται ένας μετασχηματισμός στην τρέχουσα λύση με αποτέλεσμα τη δημιουργία μιας νέας λύσης. Έπειτα γίνεται η σύγκριση της νέας με την τρέχουσα λύση και στην περίπτωση που η πρώτη είναι καλύτερη αντικαθιστά την τρέχουσα λύση, διαφορετικά απορρίπτεται. Η διαδικασία επαναλαμβάνεται συνήθως μέχρι να μην υπάρχει δυνατότητα περεταίρω βελτίωσης της λύσης ή μετά από κάποιο συγκεκριμένο αριθμό επαναλήψεων. Υπάρχει πληθώρα αλγορίθμων LS που μπορούν να εφαρμοστούν σε προβλήματα τύπου flow shop scheduling. Στη συγκεκριμένη εργασία θα αναπτυχθούν οι μετασχηματισμοί 1-1 exchange, 1-0 relocate και mirror. Στην περίπτωση του 1-1 exchange δύο κόμβοι αλλάζουν θέση μεταξύ τους, ενώ στην περίπτωση του 1-0 relocate ένας κόμβος εισάγεται σε μία άλλη θέση «παραμερίζοντας» τους άλλους κόμβους. Για παράδειγμα το διάνυσμα με την τεχνική 1-1 exchange στους κόμβους των θέσεων 6 και 8 θα γίνει , ενώ με την τεχνική 1-0 relocate της επανατοποθέτησης του κόμβου της θέσης 8 στην 6 θα γίνει Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 32

33 Ο μετασχηματισμός mirror αντιστρέφει αντικατοπτρικά τις τιμές μεταξύ δύο τυχαίων θέσεων του διανύσματος λύσης. Για παράδειγμα αν οι τυχαίες θέσεις είναι η 3 και η 8 ενός διανύσματος τότε το αποτέλεσμα μετά από την εφαρμογή της mirror θα είναι : Εικόνα 8. εφαρμογή μετασχηματισμού mirror Στη συνέχεια θα παρουσιαστούν μεθευρετικοί αλγόριθμοι βασισμένοι στη γειτονιά αναζήτησης ΑΛΓΟΡΙΘΜΟΣ ΠΡΟΣΟΜΟΙΩΜΕΝΗΣ ΑΝΟΠΤΗΣΗΣ Ο αλγόριθμος προσομοιωμένης ανόπτησης (Simulated Annealing Algorithm SA) αποτελεί έναν από τους γνωστότερους μεθευρετικούς αλγορίθμους και πρωτοεμφανίστηκε το 1983 από δημοσίευση των Kirkpatrick et al. Ο αλγόριθμος είναι εμπνευσμένος από τη φυσική κατεργασία της ανόπτησης, η οποία είναι μία τεχνική που εφαρμόζεται στα μέταλλα και τα κράματα. Το σώμα θερμαίνεται μέχρι το σημείο τήξης και στη συνέχεια ψύχεται αργά με σκοπό τη βελτίωση κάποιων χαρακτηριστικών του. Στη συνδυαστική βελτιστοποίηση ο αλγόριθμος της προσομοιωμένης ανόπτησης λειτουργεί ως εξής: Σε κάθε επανάληψη επιλέγεται μια τυχαία κίνηση και αν βελτιώνει την προϋπάρχουσα κατάσταση τότε η κίνηση γίνεται αποδεκτή. Στην περίπτωση που η κίνηση αδυνατεί να βελτιώσει την κατάσταση, δε σημαίνει ότι σίγουρα απορρίπτεται, διότι μπορεί να γίνει αποδεκτή με βάση κάποια πιθανότητα. Η πιθανότητα αυτή μειώνεται εκθετικά σύμφωνα με κάποια παράμετρο α που σχετίζεται με τη θερμοκρασία Τ. Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 33

34 Πιο συγκεκριμένα, γίνεται η επιλογή μιας αρχικής λύσης s από την οποία με τυχαία διαταραχή γεννάται η λύση s. Στη συνέχεια υπολογίζονται οι αντικειμενικές συναρτήσεις f(s) και f(s ) των s και s αντίστοιχα. Αν f(s) > f(s ) τότε η s παίρνει τη θέση της s ενώ αν η s δεν έχει καλύτερη αντικειμενική συνάρτηση υπολογίζεται η τιμή. Η τιμή αυτή αν είναι μεγαλύτερη από μια τυχαία τιμή μεταξύ 0 και 1 τότε η s παίρνει τη θέση της s. Ο αλγόριθμος επαναλαμβάνει τη διαδικασία για τη λύση s και αφού τελειώνει η κάθε επανάληψη επαναϋπολογίζεται η θερμοκρασία. Συνήθως ο αλγόριθμος συγκλίνει όταν η θερμοκρασία έχει φτάσει σε ένα προκαθορισμένο χαμηλό στάδιο. ΕΝΑΡΞΗ ΑΛΓΟΡΙΘΜΟΥ προσδιορισμός ελάχιστης θερμοκρασίας προσδιορισμός προγράμματος μείωσης θερμοκρασίας προσδιορισμός LS τεχνικής /*ή κάποιας άλλης κίνησης*/ είσοδος αρχικής λύσης αρχικοποίηση θερμοκρασίας ΟΣΟ θερμοκρασία είναι μεγαλύτερη από την ελάχιστη θερμοκρασία ΕΠΑΝΑΛΑΒΕ ΟΣΟ ο αριθμός των μέγιστων επαναλήψεων δεν έχει ολοκληρωθεί ΕΠΑΝΑΛΑΒΕ δημιουργία νέας λύσης με εφαρμογή LS τεχνικής υπολογισμός ποιότητας νέας λύσης ΑΝ η ποιότητα της νέας λύσης είναι καλύτερη από της παλιάς ΤΟΤΕ στη θέση της λύσης περνάει η νέα λύση ΑΛΛΙΩΣ TOTE ΑΝ στη θέση της λύσης περνάει η νέα λύση ΤΕΛΟΣ ΑΝ ΤΕΛΟΣ ΑΝ ΤΕΛΟΣ ΕΠΑΝΑΛΗΨΗΣ επαναϋπολογισμός θερμοκρασίας ΤΕΛΟΣ ΕΠΑΝΑΛΗΨΗΣ εξαγωγή λύσης ΤΕΡΜΑΤΙΣΜΟΣ ΑΛΓΟΡΙΘΜΟΥ ΤΟΤΕ Εικόνα 9. αλγόριθμος προσομοιωμένης ανόπτησης Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 34

35 ΑΛΓΟΡΙΘΜΟΣ ΕΠΑΝΑΛΗΠΤΙΚΗΣ ΤΟΠΙΚΗΣ ΑΝΑΖΗΤΗΣΗΣ Ο αλγόριθμος επαναληπτικής τοπικής αναζήτησης (Iterated Local Search Algorithm - ILS) ουσιαστικά έχει σχεδιαστεί για να αποφεύγεται ο εγκλωβισμός σε τοπικά ακρότατα. Σε μερικές περιπτώσεις η τοπική αναζήτηση δεν αρκεί για να ξεφύγει ο αλγόριθμος από μία τοπικά βέλτιστη λύση και απαιτείται να συμβεί κάτι παραπάνω. Έτσι λοιπόν ο ILS βελτιώνει μια αρχική λύση με έναν οποιοδήποτε αλγόριθμο LS και όταν αυτός φτάνει στο σημείο όπου αδυνατεί να βελτιώσει τη λύση παραπάνω προκαλεί μια διαταραχή (perturbation) τροποποιώντας την ως ένα βαθμό. Στη συνέχεια εφαρμόζεται πάλι κάποιος αλγόριθμος LS ώστε να βελτιωθεί η νέα λύση. Είναι σημαντικό να κρατείται στη μνήμη η λύση πριν τη διαταραχή διότι υπάρχει πιθανότητα ο ILS να αποτύχει. Ο Talbi (2009) διαχωρίζει τα τρία βασικά συστατικά του αλγορίθμου ως εξής: Τοπική αναζήτηση: Μπορεί να επιλεχτεί οποιαδήποτε απλή μέθοδος LS ακόμα και πιο σύνθετη όπως η προσομοιωμένη ανόπτηση. Μέθοδος διαταραχής: Με τον όρο διαταραχή ουσιαστικά εννοείται μια μεγάλη τυχαία αλλαγή. Στην προκειμένη περίπτωση πρέπει να είναι αισθητή χωρίς όμως να αλλάζει εξ ολοκλήρου η λύση. Θα πρέπει δηλαδή ένα κομμάτι της λύσης να παραμένει ως έχει. Κριτήριο αποδοχής: Το κριτήριο αποδοχής ορίζει τις συνθήκες τις οποίες το νέο τοπικό βέλτιστο πρέπει να ικανοποιεί για να αντικαταστήσει την τρέχουσα λύση. Εικόνα 10. απεικόνιση επαναληπτικής τοπικής αναζήτησης Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 35

36 1.2.5 ΑΛΓΟΡΙΘΜΟΣ ΜΕΤΑΒΛΗΤΗΣ ΓΕΙΤΟΝΙΑΣ ΑΝΑΖΗΤΗΣΗΣ Ο αλγόριθμος της μεταβλητής γειτονιάς αναζήτησης (Variable Neighborhood Search Algorithm - VNS) ο οποίος προτάθηκε για πρώτη φορά το 2001 από τους Hansen και Mladenovic, ανήκει και αυτός στην ευρύτερη κατηγορία των μεθευρετικών αλγορίθμων που είναι βασισμένοι στη γειτονιά αναζήτησης. Η διαφορά του όμως είναι ότι αλλάζει συστηματικά τη γειτονιά αναζήτησης μέσα από τυχαίες μεταβολές αλγορίθμων LS. Αρχικά επιλέγεται ένα σύνολο από γειτονιές λύσεων, όπου i = 1,, και στη συνέχεια για την κάθε γειτονιά δημιουργείται από την αρχική λύση s η λύση. Έπειτα για τη συγκεκριμένη γειτονιά λύσεων εφαρμόζεται κάποιος αλγόριθμος LS και παράγεται η λύση. Αν η λύση είναι καλύτερη από την s τότε επιλέγεται η ως αρχική λύση και η διαδικασία ξεκινάει πάλι από την αρχή για την ίδια γειτονιά. Στην περίπτωση που η λύση δε βελτιώνεται σε μια γειτονιά ο αλγόριθμος εξετάζει την επόμενη. ΕΝΑΡΞΗ ΑΛΓΟΡΙΘΜΟΥ επιλογή συνόλου γειτονιών με i = 1,, είσοδος αρχικής λύσης s i = 1 ΕΠΑΝΑΛΑΒΕ δημιουργία λύσης από την αρχική λύση s δημιουργία νέας λύσης με εφαρμογή μετασχηματισμού LS της στη λύση ΑΝ η ποιότητα της νέας λύσης είναι καλύτερη από της παλιάς ΤΟΤΕ στη θέση της λύσης s περνάει η νέα λύση i = 1 ΑΛΛΙΩΣ i = i + 1 ΤΕΛΟΣ ΑΝ ΜΕΧΡΙΣ ΟΤΟΥ i εξαγωγή λύσης ΤΕΡΜΑΤΙΣΜΟΣ ΑΛΓΟΡΙΘΜΟΥ Εικόνα 11. αλγόριθμος μεταβλητής γειτονιάς αναζήτησης Ωραιοζήλη Δεπούντη Διπλωματική Εργασία 36